
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于MRI影像组学列线图区分良恶性眼窝肿瘤的多中心研究
《BMC Medical Imaging》:MRI?based radiomics nomogram for distinguishing malignant tumor from benign ones in the orbit: a two?center study
【字体: 大 中 小 】 时间:2026年10月08日 来源:BMC Medical Imaging 3.9
编辑推荐:
摘要背景准确区分眼窝肿瘤中的恶性与良性肿瘤对于临床决策和制定治疗方案至关重要。基于磁共振成像(MRI)的影像组学技术能够从医学图像中提取高维度定量特征,已成为一种有前景的肿瘤表征无创方法。本研究旨在开发并验证一种基于MRI特征构建的影像组学列线图,以区分恶性与良性眼窝肿瘤。通
准确区分眼窝肿瘤中的恶性与良性肿瘤对于临床决策和制定治疗方案至关重要。基于磁共振成像(MRI)的影像组学技术能够从医学图像中提取高维度定量特征,已成为一种有前景的肿瘤表征无创方法。本研究旨在开发并验证一种基于MRI特征构建的影像组学列线图,以区分恶性与良性眼窝肿瘤。通过利用两个独立中心的数据,我们旨在对影像组学特征的泛化性进行初步评估,同时承认该列线图本身仍需进一步外部验证。
回顾性纳入来自两家机构的共计152例患者。来自机构1的患者被随机分配至训练队列(n = 94)和测试队列(n = 23),来自机构2的患者则作为外部验证队列(n = 35)。从T2加权脂肪抑制(T2WI-FS)MRI图像中提取影像组学特征,随后使用Spearman秩相关系数和最小绝对收缩与选择算子(LASSO)回归筛选出17个特征。实现了四种机器学习分类器——逻辑回归(LR)、K近邻(KNN)、极度随机树(Extra Trees)和多层感知机(MLP)——用于建模所选特征并确定最佳算法。通过多因素logistic回归分析识别显著的临床因素,随后将影像组学特征与临床变量整合构建影像组学列线图。模型性能通过曲线下面积(AUC)、准确率、敏感性和特异性进行评估,临床效用则通过决策曲线分析(DCA)进行评价。
在四种机器学习模型中,MLP分类器表现出最佳预测性能,且在多个数据集间展现出强大的鲁棒性。因此,选择基于MLP的模型用于构建列线图。列线图模型在训练队列中AUC为0.965,在内部测试队列中为0.905。在独立的外部验证队列中,影像组学特征(MLP模型)的AUC为0.783,表明影像组学特征具有可接受的泛化性,尽管完整的列线图未经过外部验证。列线图模型显著优于临床模型(DeLong检验,训练队列p = 9.724 × 10??,内部测试队列p = 2.969 × 10?3),而与仅基于影像组学的模型相比未发现统计学显著差异(DeLong检验,p分别为0.608和0.768)。
我们的研究结果表明,基于MRI的影像组学列线图是一种用于区分恶性与良性眼窝肿瘤的有前景的内部验证工具。然而,其泛化性仍需通过进一步的外部验证来确立。该方法可能协助临床医生进行肿瘤诊断和管理,从而有可能改善患者预后。
不适用。
准确区分眼窝肿瘤中的恶性与良性肿瘤对于临床决策和制定治疗方案至关重要。基于磁共振成像(MRI)的影像组学技术能够从医学图像中提取高维度定量特征,已成为一种有前景的肿瘤表征无创方法。本研究旨在开发并验证一种基于MRI特征构建的影像组学列线图,以区分恶性与良性眼窝肿瘤。通过利用两个独立中心的数据,我们旨在对影像组学特征的泛化性进行初步评估,同时承认该列线图本身仍需进一步外部验证。
回顾性纳入来自两家机构的共计152例患者。来自机构1的患者被随机分配至训练队列(n = 94)和测试队列(n = 23),来自机构2的患者则作为外部验证队列(n = 35)。从T2加权脂肪抑制(T2WI-FS)MRI图像中提取影像组学特征,随后使用Spearman秩相关系数和最小绝对收缩与选择算子(LASSO)回归筛选出17个特征。实现了四种机器学习分类器——逻辑回归(LR)、K近邻(KNN)、极度随机树(Extra Trees)和多层感知机(MLP)——用于建模所选特征并确定最佳算法。通过多因素logistic回归分析识别显著的临床因素,随后将影像组学特征与临床变量整合构建影像组学列线图。模型性能通过曲线下面积(AUC)、准确率、敏感性和特异性进行评估,临床效用则通过决策曲线分析(DCA)进行评价。
在四种机器学习模型中,MLP分类器表现出最佳预测性能,且在多个数据集间展现出强大的鲁棒性。因此,选择基于MLP的模型用于构建列线图。列线图模型在训练队列中AUC为0.965,在内部测试队列中为0.905。在独立的外部验证队列中,影像组学特征(MLP模型)的AUC为0.783,表明影像组学特征具有可接受的泛化性,尽管完整的列线图未经过外部验证。列线图模型显著优于临床模型(DeLong检验,训练队列p = 9.724 × 10??,内部测试队列p = 2.969 × 10?3),而与仅基于影像组学的模型相比未发现统计学显著差异(DeLong检验,p分别为0.608和0.768)。
我们的研究结果表明,基于MRI的影像组学列线图是一种用于区分恶性与良性眼窝肿瘤的有前景的内部验证工具。然而,其泛化性仍需通过进一步的外部验证来确立。该方法可能协助临床医生进行肿瘤诊断和管理,从而有可能改善患者预后。
不适用。